في عالم يتغير بوتيرة متسارعة، أظهرت أبحاث جديدة كيف يمكن لوكلاء نماذج اللغات الضخمة (LLM) أن يتكيفوا مع القواعد المتغيرة في أنظمة الائتمان، بينما يتحكمون في التغييرات بشكل يضمن مراجعة دقيقة.
تم طرح فكرة مثيرة تتمثل في أن التطور الذاتي يصبح قابلاً للمراجعة فقط إذا تم حصره ضمن ما يُعرف بقيد التشغيل (runtime harness) مما يحافظ على ثبات أوزان النموذج (model weights)، بحيث يمكن أن تسجل كل التعديلات كاختلافات لها سبب وتجربة ملحقة.
في سياق البحث، قدم الباحثون محركاً مزدوجاً يعتمد على هذه القيود، يتضمن بوابة دخول تكتب سجلاً متسلسلاً (hash-chained) قبل النشر. وقد أظهروا من خلال محاكاة أن هذه البوابة نجحت في قبول 144 من أصل 7,449 تغير محتمل، لم تؤد أي منها إلى زيادة الأخطاء على التاريخ المحتفظ به.
وعندما تم استبدال البوابة بفحص غير محدود، سُمح بقبول 309 تغييرات ضارة، مما أظهر أهمية وجود نظام مُقيد لتحقيق نتائج دقيقة.
تناولت الدراسة أيضاً كيفية التأكد من أن أي إعادة تفسير يجب أن تُرمَز كقاعدة تعيد تسمية التاريخ. حيث تم إصلاح التغيرات الشكلية محلياً، مما يبرز الحاجة إلى أساليب دقيقة في تكييف الأنظمة مع الاحتياجات المتغيرة.
تُوسِع هذه الأبحاث من فهمنا لكيفية تطبيق التوجيهات الأوروبية المتعلقة بالذكاء الاصطناعي على تقييمات الائتمان العالية المخاطر وتسلط الضوء على الشروط المستثناة للذكاء الاصطناعي الوكالي في إرشادات مخاطر النماذج الأمريكية لأبريل 2026.
ما رأيكم في هذه التطورات المثيرة؟ شاركونا بأفكاركم وتجاربكم في التعليقات!